0 引言

       结直肠癌全球发病率第三高且致死率居于第二位^[1]，其中直肠癌的发病比例相对结肠癌比例高，约占全部结直肠癌病例的三分之一^[2]，且多数确诊时已是进展期^[3]。针对LARC的评估危险度分层并选择合理治疗方案等选择尤为重要。目前，全程新辅助治疗（total neoadjuvant therapy, TNT）越来越多地应用于局部进展期直肠癌（locally advanced rectal cancer, LARC）的治疗^{[4, 5, 6]}；但时至今日仍然是以新辅助放化疗（neoadjuant chemoradiotherapy, nCRT）加全直肠系膜切除术（total mesorectal excision, TME）的治疗方式为基础，该方案可使肿瘤退缩及降期^[7]，并降低局部复发率但不能明显改善总生存期（overall survival, OS）及无疾病进展（disease-free survival, DFS）^[8]。既往研究报道^{[8, 9]}，nCRT术后远处转移多在第2~3年左右开始出现，且3年的发生率约为22%~30%。针对这部分高危险度患者进行个体化治疗策略，有助于改善其预后。

       术前MRI已经明确了几个高危因素来评判LARC的预后不良生物行为，其中包括T3外侵超过5 mm、壁外血管侵犯（extramural vascular invasion, EMVI）、直肠系膜筋膜受累（mesorectal fascia, MRF）、侧方淋巴结和癌结节等^{[3, 5, 10]}，其中MRF受侵是独立的危险因素^[10]。然而，这些临床-影像学因素对患者的危险度分层研究结果存在明显差异，提示了生存情况的异质性^{[8, 11]}。

       近年来，基于MRI图像的人工智能和影像组学应用逐渐成熟，相关研究验证了影像组学有预测生存的潜能^{[9, 12, 13]}；在预后的预测方面，多参数标记物优于单一因素^[9]。因此，应综合考量临床高危因素，创建简洁可靠的临床-影像组学模型显得尤为重要^[14]。本研究旨在联合临床资料及MRI影像组学构建直肠癌评估的诊断模型，以预测LARC患者3年DFS的能力，提示临床医师针对高风险人群应用更强效的术后治疗来提高DFS及OS，为个体化术后治疗方式的选择提供帮助。

1 材料与方法

1.1 研究对象

       本回顾性研究遵守《赫尔辛基宣言》，经辽宁省肿瘤医院伦理委员会批准，免除受试者知情同意，批准文号：20220802YG。回顾性纳入2014年7月至2017年8月在辽宁省肿瘤医院就诊的100例LARC患者的临床信息及影像资料。纳入标准：（1）局部进展期直肠癌（cT3-4或N+），无远处转移；（2）均行盆腔MRI检查；（3）nCRT前无抗肿瘤治疗史；（4）完整的基线临床资料。排除标准：（1）未按照治疗计划完成nCRT；（2）nCRT后未行全直肠系膜切除；（3）扫描设备或参数不一致或临床数据不完整。

1.2 nCRT治疗

       入组患者均接受标准nCRT治疗：mFOLFOX [方案包括：奥沙利铂（oxaliplatin），赛诺菲制药（sanofi），法国；亚叶酸钙（leucovorin calcium, LC），辉瑞苏州制药有限公司，中国；氟尿嘧啶（5-fluorouracil, 5-FU），海南卓泰制药有限公司，中国]或CapeOX [卡培他滨（capecitabine），上海罗氏制药有限公司，中国；奥沙利铂（oxaliplatin），赛诺菲制药（sanofi），法国]。在化疗的基础上采用同步放疗，应用三维适形调强放疗（总剂量45.0~50.4 Gy）。nCRT完成后6~8周完成全直肠系膜切除。

1.3 nCRT术前评估及疗效评价

       从电子病历及MRI信息中提取患者治疗前基线信息，包括：年龄、性别、距肛缘距离、环切缘（circumferential redial margin, CRM）、EMVI、周围程度、肿瘤直径、癌胚抗原（carcinoembryonic antigen, CEA）、治疗前基线血液检验的糖类抗原19-9（carbohydrate antigen 19-9, CA19-9）、TNM分期。术后标本按照标准Manderd系统肿瘤退缩分级（tumor regression grade, TRG）^[15]进行病理评估：TRG 1为治疗效果最好，肿瘤完全治愈，无残留；TRG 2为治愈效果较好，肿瘤大部分已消退；TRG 3为治愈效果较差，肿瘤大约一半消退；TRG 4为治疗效果很差，肿瘤几乎不消退；TRG 5为治疗效果最差，肿瘤无消退。

1.4 随访

       根据我们的常规方案，所有患者术后至少随访3年：一次随访间隔3个月持续2年，2年后每6个月一次，此后每年随访复查。主要研究终点为DFS，其定义为全直肠系膜切除术（total mesorectal excision, TME）手术后开始直至疾病复发或任何原因导致死亡的时间或最后一次随访的日期。所有的局部复发和远处转移病例均由一个结直肠外科、消化肿瘤内科、消化肿瘤放疗科、病理科及医学影像科组成的多学科团队根据临床检查、血清CEA水平、胸部和盆腔CT和/或盆腔MRI、内镜和活检诊断。后续信息记录在数据库中。至少需要36个月的随访来确认患者3年的DFS状态。术后最短随访时间为6个月，最长随访72个月（中位数30个月）。

1.5 MRI检查

       所有患者均采用8通道相控阵线圈的3.0 T超导MRI扫描仪（Verio syngo, Siemens）进行扫描，均接受了直肠动态MRI检查。（1）轴位T2WI序列：TR 3680 ms，TE 101 ms，FOV 260 mm×260 mm，层厚4 mm，层间距1 mm；（2）轴位T1WI快速自旋回波（fast spin echo, FSE）序列：TR 600 ms，TE 116 ms，FOV 380 mm×380 mm，层厚6 mm，层间距2 mm；（3）矢状位T2WI FSE序列：TR 3240 ms，TE 105 ms，FOV 260 mm×260 mm，层厚6 mm，层间距1 mm。

1.6 数据处理

       所有MRI图像均来自图像存档和传输系统（PACS，Neusoft，版本5.5.5.70228）。图像的再处理进行标准化处理：（灰度值-平均值）/标准差。使用ITK-snap（版本3.6.0，www.itk-snap）检查和分割图像。由两名分别有10年和15年经验的放射科主治医师及副主任医师勾画。如果在分割过程中出现分歧，则邀请具有21年腹部放射诊断经验的主任医师复核确认。T2WI轴位序列沿病变边缘逐层划分感兴趣区（region of interest, ROI），勾画过程中避开含气肠腔，最终分割得到3D感兴趣区ROI。

1.7 影像组学特征提取与选择

       在本研究中，我们采用Python 3.7的pyradiomics包从T2WI矢状位和T2WI轴位FSE序列中提取了3934个影像组学特征。为筛选出最具预测力的特征，转至R语言环境运用PCA进行特征降维，保留了累积贡献率达95%的主成分。继而，通过glmnet函数实施最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）回归，借助十倍交叉验证优化正则化参数λ，实现了自动特征选择。最终，结合筛选出的特征，我们建立了logistic回归影像组学模型。

1.8 影像组学图谱的构建

       影像组学特征通过各自LASSO系数加权选择的特征的线性组合计算。采用多变量logistic回归对预测nCRT治疗反应的显著临床因素进行评估。在多变量逻辑分析的基础上，使用R语言中的“rms”包（v. 3.5.0; https://www.r-project.org），通过结合影像组学特征和选定的术前临床参数计算影像组学评分。

1.9 验证策略

       使用了十倍交叉验证。计算预测的准确率、敏感度和特异度^[16]。为了验证影像组学诺模图，将训练集形成的logistic回归公式应用于测试集。计算每个患者的影像组学评分。绘制校准曲线来评价诺模图。使用决策曲线分析（decision curve analysis, DCA）通过计算训练集和测试集中一系列阈值概率的净收益，来评估诺模图的临床应用价值。

1.10 统计学分析

       统计学分析使用SPSS 24.0统计软件完成。所有临床特征采用Mann-Whitney U检验和卡方检验进行差异分析。以受试者工作特征（receiver operating characteristic, ROC）曲线下面积（area under the curve, AUC）、准确率、敏感度和特异度为指标评估影像组学模型、临床模型和诺图模型的性能。采用DeLong试验^[17]比较AUC。使用R中的“rmda”软件包进行校准和决策曲线分析^[18]，以检验影像组学模型的临床相关性和适用性。P<0.05为差异具有统计学意义。

2 结果

2.1 患者入组情况及特征

       本研究共纳入LARC患者病例100例，男72例，女28例，平均年龄62.8岁。在患者信息及临床特征中，年龄、性别、距肛门边缘距离、CEA、CRM、EMVI、TNM分期、治疗前后肠管厚度及长度在训练集（n=80）和测试集（n=20）差异均无统计学意义（P>0.05）。在两组中，CA19-9水平（P<0.05），差异具有统计学意义。如表1所示。100例患者中术后随访三年疾病有进展50例，无进展50例，按4∶1随机分配训练集和测试集。

点击查看表格

表1  患者临床特征
Tab. 1  Patients clinical features

2.2 特征选择和影像组学模型构建

       从T2WI矢状位和T2WI轴位FSE两个序列的3934个影像特征中分别筛选出3个和4个特征（图1、表2）。将所选特征通过以下公式（1）计算出影像组学评分（Rad_score）。

       将以上T2WI矢状位和T2WI轴位FSE两个序列提取出的特征组使用logistic回归模型建立影像组学模型，结果显示模型训练集和测试集上的AUC分别为0.878 [95%置信区间（confidence interval, CI）：80.0%~95.5%]和0.830（95% CI：63.6%~100.0%）（表2）。

点击查看大图

图1  LASSO选择影像特征。1A：预测三年疾病有无进展时使用十倍交叉验证选择LASSO中的调谐参数（lambda）；1B：影像组学特征在预测三年疾病有无进展时的LASSO系数曲线。LASSO：最小绝对收缩和选择算子；AUC：曲线下面积。
Fig. 1  LASSO selection imaging features. 1A: The tuning parameter (lambda) in LASSO is selected for predicting three-year disease progression using ten-fold cross-validation; 1B: The LASSO coefficient curve of radiomics features in predicting three-year disease progression. LASSO: least absolute shrinkage and selection operator; AUC: area under the curve.

点击查看表格

表2  选定特征的预测性能
Tab. 2  Predicted performance of selected features

2.3 诺模图的开发与验证

       进行术后三年DFS预测时临床指标中只有CA19-9有预测价值，进而选取其进行建模，得到的临床模型在训练集和测试集上的AUC分别为0.833（95% CI：74.5%~92.0%）和0.810（95% CI：61.2%~100.0%）。结合影像组学特征和临床特征建立的临床-影像诺模图（图2）ROC曲线（图3）显示，在训练集和测试集上的AUC分别为0.933（95% CI：79.7%~100.0%）和0.980（95% CI：79.7%~100.0%），校准曲线显示具有较好的模型拟合度（图4）。根据DeLong检验的结果，临床模型和影像组学模型的AUC在统计学上差异不显著（表3）。

       影像组学模型、临床模型和临床-影像诺模图DCA显示结果均远离极限曲线，表明这些模型均可临床获益。（图5）

点击查看大图

图2  临床-影像诺模图模型。CA19-9：糖类抗原19-9。
Fig. 2  Combined clinical-imaging nomogram model.model. CA19-9: carbohydrate antigen 19-9.

点击查看大图

图3  三个模型在训练集（3A）和测试集（3B）的ROC曲线。ROC：受试者工作特征；AUC：曲线下面积。
图4  临床-影像诺模图在（4A）和测试集（4B）的校准曲线。
Fig. 3  The ROC curves of three models on the training set (3A) and the test set (3B). ROC: receiver operating characteristic; AUC: area under the curve.
Fig. 4  The calibration curves of combined clinical-image nomogram model on the training set (4A) and the test set (4B).

点击查看大图

图5  三个模型的决策曲线分析。
Fig. 5  The decision curve analysis of the three models.

点击查看表格

表3  影像组学模型、临床模型和诺模图的效能及DeLong检验结果
Tab. 3  Comparison of the efficacy and DeLong test results of radiomics model, clinical model and nomogram

3 讨论

       影像组学通过定量分析肿瘤异质性来支持临床个体化决策^[19]。在我们这项回顾性研究中，成功构建了一个基于影像组学的预测模型，用以评估LARC患者在nCRT后3年DFS发生的概率。该模型融合了T2WI矢状位和T2WI轴位FSE序列的关键影像组学特征，这些特征可能揭示了肿瘤微观结构和生物学行为，与肿瘤的侵袭性及预后紧密相关。我们采用的临床-影像诺模图在训练集和验证集上均展现出了卓越的预测性能，AUC分别高达0.933和0.980，凸显了模型的高区分能力。以往与我们工作相关的报道更多的是使用CT或MRI的影像组学特征^{[14, 20, 21]}来预测nCRT的反应，可能存在预测能力的内在局限性。而本研究通过多参数MRI组学特征与临床资料的整合，弥补了这一不足。尤其是T2WI矢状位特征反映了肿瘤的局部浸润性，而T2WI轴位FSE特征通过增强软组织对比度揭示了肿瘤的异质性及边缘模糊度^[22]，这些特征捕捉了与肿瘤微环境相关的重要信息，从而成为模型的核心预测因子^[23]。同时我们也发现CA19-9对DFS预测性相关，这与之前的临床研究一致^[24]。这也提示临床因素是LARC nCRT术后无疾病进展判断的重要因素。

3.1 模型构建

       本研究发现，验证集效能优于训练集，这与常规影像组学研究结果有所不同，可能源于数据分布差异及模型的泛化能力。验证集可能包含未被充分捕捉的影像或临床特征，为模型提供了相对“简单”的预测环境，同时LASSO回归通过交叉验证优化正则化参数，增强了模型处理未见数据的能力。然而，小样本数据限制了模型对部分特征的学习，从而导致训练集效能偏低。与其他相关研究相比，本研究在效能和方法设计上展现了一定优势，临床-影像诺模图的验证集AUC高达0.980，得益于影像特征与临床参数的深度结合。此外，LASSO回归优化了模型稳定性，而部分研究采用主成分分析（PCA）等方法可能削弱特征精准性^[25]。

3.2 DFS预测能力

       在受到TNT的挑战之前，nCRT是LARC的标准术前治疗方式^[26]，可以改善局部无病生存期和病理完全缓解率^{[27, 28]}，随后的手术治疗是重要的基础^[26]。然而，接近30%的LARC患者在术后3年内就出现远处转移^[28]。远处转移的发生严重影响整体预后，此类患者更多的全身治疗可降低远期复发的风险，如化疗、放疗、靶向或免疫治疗等，从而带来生存益处。

       长期以来，影像学特征一直是识别直肠癌不良预后因素的首选方法^[8]；预后预测相关研究缺乏定量的影像学分析。尤其是多参数MRI组学与临床资料一并构建模型，可以更好地预测LARC的生存。NIE等^[29]的研究结果表明，影像组学模型可能优于传统临床及影像学的预后因素。本研究构建的临床-影像诺模图也提供了个体化预后评估，并有可能潜在地影响治疗策略。值得注意，对于这部分风险分层生存预测的相关文章不断涌现，FAN等^[19]及WANG等^[30]通过静脉期CT影像组学多因素分析构建融合模型，预测3年DFS及3年OS的AUC值均超过0.8。ZHOU等^[21]通过T2WI轴位组学信息联合临床特征构建的3年OS的预测模型AUC也接近0.9。NIE^[29]等的多模态临床-影像诺模图对5年OS的预测效果最好，测试集中的AUC为0.91，其中影像特征标签对模型的性能贡献最大，可见影像组学在预测生存中的潜力。无病生存期、远处转移及复发时间^{[20, 30, 31]}相关放射学模型与临床模型相比，临床-影像诺模图再次显示出更优的预测性能，AUC在0.68至0.95之间，这与我们的研究相仿。但在术后随访中的可疑病变或不能判定良性改变，使得生存期相关信息存在不确定因素。我们研究中，临床-影像诺模图虽存在一定优势，但其与临床模型的AUC统计学上差异并不显著，可能需要进一步优化多模态的影像组学模式。但DCA结果均远离极限曲线，表明这些模型均有临床获益。

3.3 局限性及展望

       本研究基于影像组学的临床-影像诺模图在预测LARCnCRT后DFS中表现出较高的预测效能，为个体化风险分层提供了重要工具。然而，仍存在一些局限性需要关注。首先，病例数据中疾病有进展与无进展的1∶1比例设计虽有助于模型训练平衡，但不符合实际临床分布，可能限制模型在真实场景中的适用性，未来需通过扩大样本规模、引入k折交叉验证及多中心数据进一步提升模型的稳健性和外部效度^[32]。其次，模型的计算复杂度较高，特征提取和建模过程需依赖高通量计算资源，这对实际临床环境中的实时应用形成挑战^[33]。此外，本研究收集数据均未行弥散加权成像（diffusion weighted imaging, DWI）序列扫描，仅纳入T2WI矢状位和T2WI轴位FSE序列特征，未整合如DWI序列的多模态数据，可能会限制对肿瘤异质性的全面评估^[34]。模型对MRI设备及成像协议的依赖性进一步凸显其在多设备环境中的适用性局限^[35]。最后，ROI勾画过程中未进行一致性分析，可能对特征提取的稳定性产生一定影响^[25]。未来研究需纳入更大规模和多中心的数据集，通过整合多模态影像数据、优化特征选择流程以及开发自动化和标准化工具，进一步提升模型的临床实用性和推广潜力。

4 结论

       综上所述，本研究建立并验证了使用MRI组学联合临床指标CA19-9预测LARC患者对nCRT生存预测的行之有效，这可能有助于不同风险分层LARC患者术后辅助治疗的临床决策。